今天我們將結(jié)合SPSS軟件，向大家介紹在回歸模型中何如實(shí)現(xiàn)啞變量的設(shè)置，并對(duì)引入啞變量后的模型結(jié)果進(jìn)行解讀。

Logistic /Cox回歸

在SPSS中，Logistic回歸和Cox回歸設(shè)置啞變量的方式是一致的，因此本文以Logistic回歸為例進(jìn)行說明。

一、研究實(shí)例

某研究人員擬探討不同種族人群中某疾病發(fā)病風(fēng)險(xiǎn)有無差異，收集了4種不同種族人群的相關(guān)數(shù)據(jù)資料（1=Black美國(guó)黑人，2=White美國(guó)白人，3=Indian美國(guó)印第安人，4=Asian亞裔美國(guó)人）。

根據(jù)數(shù)據(jù)類型判斷，種族為無序多分類資料，需要將種族轉(zhuǎn)化為啞變量后，進(jìn)行Logistic回歸。

二、SPSS操作

1. Analyze → Regression → Binary Logistic，進(jìn)入到Logistic回歸模塊

?

?

2. 將Event選入Dependent框中，將Gender、Age、Race選入Covariates框中

?

?

3. 點(diǎn)擊Categorical進(jìn)入定義分類變量的對(duì)話框，將需要轉(zhuǎn)化的變量Race選入Categorical Covariates框中，點(diǎn)擊Contrast旁的下拉框選擇Indicator，Reference Category設(shè)置為First，即設(shè)定第一個(gè)分類為參照。

在本次研究中，Race=1為黑人，即我們選擇黑人作為參照。最后再點(diǎn)擊Change確認(rèn)更改為Race（Indicator（first））。

?

?

?

在選擇啞變量編碼方式時(shí)，Contrast下拉選項(xiàng)一共提供了7種編碼方式：

(1)?Indicator（指示對(duì)比）：用于指定某一分類為參照，指定的參照取決于Reference Category中選擇Last還是First，即只能以該變量的第一類或者最后一類作為參照。Indicator為默認(rèn)方法，也是我們最常用的設(shè)置參照類的方法。

(2)?Simple（簡(jiǎn)單對(duì)比）： Simple和Indicator兩個(gè)方法雖然參數(shù)編碼不同，但其實(shí)質(zhì)是一樣的，均為各分類分別與參照進(jìn)行相比。

(3)?Difference（差異對(duì)比）：即該分類變量的某個(gè)分類，與前面所有分類的平均值進(jìn)行比較，此法與Helmert法相反，因此也叫做反Helmert法。此選項(xiàng)常用于有序分類變量。

(4)?Helmert（赫爾默特對(duì)比）：即該分類變量的某個(gè)分類，與其后面所有分類的平均值進(jìn)行比較，同樣也適用于有序分類變量。

(5)?Repeated（重復(fù)對(duì)比）：即該分類變量的各個(gè)分類，均與前面相鄰的一個(gè)分類進(jìn)行比較，此時(shí)前一分類為參照。

(6)?Polynomial（多項(xiàng)式對(duì)比）：它假設(shè)各個(gè)分類間隔是等距的，只能用于數(shù)值型的變量。（注意：如果此時(shí)原始變量為字符型，例如A、B、C、D，在SPSS中使用該方法時(shí)它會(huì)提示Polynomial contrasts may not be specified for string variables。而對(duì)于其他6種方法是允許原始變量是字符型，SPSS可以將其自動(dòng)轉(zhuǎn)化為0或1形式的啞變量。）

(7)?Deviation（偏差對(duì)比）：即除參照外，其余每一個(gè)分類都與總體水平相比，此時(shí)每個(gè)分類的回歸系數(shù)都是相對(duì)于總體水平而言的改變量。

4. 點(diǎn)擊Continue回到主對(duì)話框，再點(diǎn)擊OK完成操作。

?

三、結(jié)果解讀

?

?

1. 結(jié)果顯示， SPSS將 Race自動(dòng)轉(zhuǎn)化為3個(gè)啞變量，分別為Race(1) (2) (3)，代表白人、印第安人和亞裔人，參照為黑人。在α=0.05的檢驗(yàn)水準(zhǔn)下，Race(1) (2) (3) 回歸系數(shù)檢驗(yàn)P值均<0.05，提示白人、印第安人和亞裔種族某疾病的發(fā)生風(fēng)險(xiǎn)均與黑人種族之間存在統(tǒng)計(jì)學(xué)差異。

2. 白人、印第安人和亞裔相對(duì)于黑人種族，其OR值和95% CI分別為0.247(0.102, 0.598)、0.181(0.070, 0.466)、0.132(0.049, 0.357)，提示白人、印第安人和亞裔人中該疾病的發(fā)生風(fēng)險(xiǎn)均顯著低于黑人種族。

多重線性回歸

針對(duì)多重線性回歸，我們需要通過重新編碼的方式，先將其轉(zhuǎn)換為啞變量，然后再帶入到回歸模型中。

?

一、研究實(shí)例

?

仍然以上面的研究實(shí)例進(jìn)行介紹，某研究人員擬探討不同種族人群中BMI有無差異，收集了4種不同種族人群的相關(guān)數(shù)據(jù)資料（1=Black美國(guó)黑人，2=White美國(guó)白人，3=Indian美國(guó)印第安人，4=Asian亞裔美國(guó)人）。

根據(jù)數(shù)據(jù)類型判斷，種族為無序多分類資料，需要將種族轉(zhuǎn)化為啞變量后，進(jìn)行多重線性回歸。

二、SPSS操作

方法一

1. Transform → CreateDummy Variables

將需要轉(zhuǎn)換為啞變量的Race因素選入CreateDummy Variables for中，在Root Names(One Per SelectedVariable)框中輸入轉(zhuǎn)換后的啞變量名Race_，并點(diǎn)擊OK完成操作

注意：使用SPSS軟件自帶的創(chuàng)建啞變量的功能，原始變量有n個(gè)分類，就會(huì)產(chǎn)生n個(gè)啞變量，例如Race為4分類，系統(tǒng)自動(dòng)生成4個(gè)啞變量。在構(gòu)建多重線性回歸模型時(shí)，需要確定其中一個(gè)啞變量作為參照，然后把剩余n-1個(gè)啞變量帶入到模型中。

方法二

1. Transform → Recode into Different Variables

?

將需要轉(zhuǎn)換為啞變量的Race因素選入Numeric Variable->Output Variable框中，在Name框中輸入轉(zhuǎn)變的第一個(gè)啞變量名字Race1，并點(diǎn)擊Change進(jìn)行命名

?

2. 點(diǎn)擊Old and New Values進(jìn)入重新編碼的對(duì)話框

在Old Value中的Value框中填寫1，在New Value中的Value框中填寫1，并點(diǎn)擊Add添加，得到1->1。

?

?

然后選擇Old Value中的All other values，在New Value中的Value框中填寫0，并點(diǎn)擊Add添加，得到ELSE->0

?

?

上述步驟表示將原有變量Race中第1分類，在啞變量Race1中賦值為1，將其他所有分類在啞變量Race1中賦值為0。

按照同樣的方法，我們可以生成Race2和Race3，共3個(gè)啞變量。如果覺得生成3個(gè)啞變量很麻煩，我們可以進(jìn)入程序編輯頁(yè)面，編寫一條簡(jiǎn)單的程序進(jìn)行重新編碼賦值，如下圖所示。

?

?

賦值完成后，我們就可以在數(shù)據(jù)視圖界面看到新生成的3個(gè)啞變量。啞變量生成好后，我們就可以開始進(jìn)行多重線性回歸了。

?

?

3. Analyze → Regression → Linear

?

?

將BMI選入Dependent框中，將Race1、Race2、Race3、Gender和Age一同選入Independent（s）框中，Method選擇Enter法，點(diǎn)擊OK完成操作。

?

?

三、結(jié)果解讀

?

?

1. 我們通過重新編碼將Race轉(zhuǎn)化為3個(gè)啞變量，分別為Race1、2、3，代表黑人、白人和印第安人，此時(shí)參照為亞裔人。在α=0.05的檢驗(yàn)水準(zhǔn)下，Race1、2、3回歸系數(shù)檢驗(yàn)P值均<0.05，提示黑人、白人和印第安人的BMI均與亞裔人之間存在統(tǒng)計(jì)學(xué)差異。

2. 黑人、白人和印第安人與亞裔人相比，其β值和95% CI分別為1.543(0.163, 2.923)、2.331(0.996, 3.665)、1.585(0.208, 2.963)，提示黑人、白人和印第安人的BMI要顯著高于亞裔人。

設(shè)置啞變量時(shí)的注意事項(xiàng)

1.?原則上啞變量在模型中應(yīng)同進(jìn)同出，也就是說在一個(gè)模型中，如果同一個(gè)分類變量的不同啞變量，出現(xiàn)了有些啞變量有統(tǒng)計(jì)學(xué)顯著性，有些無統(tǒng)計(jì)學(xué)顯著性的情況下，為了保證所有啞變量代表含義的正確性，應(yīng)當(dāng)在模型中納入所有的啞變量。

因此，我們?cè)谝雴∽兞窟M(jìn)入模型時(shí)，需選擇Enter強(qiáng)制進(jìn)入法，以保證所有啞變量都能保留在最后的模型中。

2.?被選為參照的那一類分組，應(yīng)該保證有一定的樣本量。如果參照組樣本量太少，則將會(huì)導(dǎo)致其他分類與參照相比時(shí)，參數(shù)估計(jì)的標(biāo)準(zhǔn)誤較大，可信區(qū)間較大，精度降低，會(huì)出現(xiàn)估計(jì)參數(shù)極大或極小的現(xiàn)象。

?

END

?

總結(jié)

以上是生活随笔為你收集整理的SPSS教程：手把手教你设置哑变量以及解读结果的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。